Metrics — 评估指标 API

src/nn/training/metrics.py

calculateAccuracy()

def calculateAccuracy(predictions: np.ndarray, targetData: np.ndarray) -> float

计算分类准确率。

参数	类型	形状	说明
predictions	np.ndarray	$(N,C)$	模型预测输出（logits 或概率）
targetData	np.ndarray	$(N,)$ 或 $(N,C)$	一维类别索引或二维 one-hot 标签
返回	float	—	准确率，范围 $[0,1]$

数学公式：

$$\text{Accuracy}=\frac{1}{N}\sum _{n=1}^N\mathbb{1}\{\arg \underset{c}{max}({\hat{y}}_{n,c})=y_n\}$$

实现：

1. 对 predictions 取 np.argmax(predictions, axis=1) 得到预测类别
2. 对 targetData：一维直接使用，二维取 np.argmax(targetData, axis=1)
3. 比较并取平均

异常：

• ValueError — predictions 不是二维数组
• ValueError — 样本数为 0 或类别数为 0
• ValueError — 预测样本数与标签数不一致

---

calculateMeanSquaredError()

def calculateMeanSquaredError(predictions: np.ndarray, targetData: np.ndarray) -> float

计算均方误差（作为评估指标，与 MSELoss.forward() 计算方式相同）。

参数	类型	形状	说明
predictions	np.ndarray	任意	模型预测值
targetData	np.ndarray	与 predictions 一致	真实值
返回	float	—	均方误差

数学公式：

$$\text{MSE}=\frac{1}{M}\sum _{i=1}^M({\hat{y}}_i-y_i{)}^2$$

异常：

• ValueError — 存在标量输入
• ValueError — 形状不一致
• ValueError — 空张量

---

convertLabelsToIndices()

def convertLabelsToIndices(targetData: np.ndarray) -> np.ndarray

将标签转换为类别索引（一维）。

输入格式	处理
(N,) 一维整数	直接返回
(N, C) 二维 one-hot	np.argmax(axis=1)
其他	ValueError

主要用于 calculateAccuracy() 内部，统一处理两种标签格式。